고해상도 위성 영상에 대한 수요가 증가함에 따라, Sentinel-2와 같은 무료 제공 미션과 PlanetScope와 같은 상업용 시스템 사이의 공간 해상도 간극을 메우기 위한 초해상도 (SR) 기술에 대한 관심이 높아졌습니다. 어떤 센서도 진정한 쌍을 이루는 저해상도 및 고해상도 관측치를 제공하지 않기 때문에, SR 모델은 대개 합성된 열화 데이터 (synthetically degraded data)로 학습되며, 이는 실제 교차 센서 영상에서 도메인 간극 (domain gap)을 생성합니다. 본 연구에서는 이러한 합성-실제 불일치 (synthetic-to-real mismatch)가 현대적인 확산 기반 (diffusion-based) SR 모델의 성능에 어떻게 영향을 미치는지에 대한 최초의 체계적인 연구를 제공합니다. Sentinel-2와 PlanetScope 영상의 기하학적 및 시간적으로 정렬된 대규모 데이터셋을 사용하여, 통제된 실험 설정 하에서 다섯 가지 최첨단 확산 아키텍처를 평가합니다. 또한, Sentinel-2 자기지도 학습 (self-supervised) 특징에 기반한 도메인 적응형 지각 지표인 LPIPS-Sat을 소개합니다. 연구 결과, 두 가지 지속적인 과제가 나타났습니다. 합성 데이터로 학습된 모델은 실제 쌍에서 성능이 급격히 저하되는 반면, 실제 교차 센서 데이터로 학습된 모델은 최적화의 어려움을 보이며 물리적 및 복사적 다양성 (physical and radiometric diversity)에 적응하는 데 어려움을 겪습니다. 이러한 발견은 현재 SR 기술의 핵심적인 한계를 강조하며, 초해상도와 도메인 적응 (domain adaptation)을 분리하는 방법론의 필요성을 시사합니다.